粒子群优化算法（PSO）的发展，本就是一部不断”人工设计”的历史。过去几十年里，研究者围绕惯性权重、学习策略、群体拓扑、子群结构等环节提出了大量改进方法，逐渐围绕PSO形成了一个庞大的算法设计空间。但空间越大，选择越困难。面对一个具体优化任务，该选什么参数、用什么学习方式、怎么组织粒子群体——这些高度耦合的设计决策，至今仍高度依赖研究者的经验与反复试错。PSO越来越丰富，却也越来越难”选对”。那如果把”选择PSO”这件事本身，也交给算法去演化呢？
EvoX团队提出的AutoPSO，将PSO的参数配置、学习机制与群体结构统一编码为一个可搜索的演化空间，并通过元演化（meta-evolution）自动寻找适配特定目标问题的最优PSO变体。这一框架不仅优化了问题的解，还在更高一层自动优化了”用什么样的PSO求解”。
元演化的大规模搜索依赖大量并行评估，而EvoX的张量化计算、批量处理与GPU并行能力恰好解决了这一瓶颈——数千候选变体可同时演化，使CPU上原本不可行的元层搜索成为现实。
GPU算力×元演化，让PSO从”人工设计”走向”自动生成”。
PSO不缺方法，缺的是自动组合方法的能力
过去几十年，PSO研究已积累了丰富的机制选项：参数如何随迭代变化、粒子向谁学习、群体是否划分子群、不同子群采用何种更新策略。
问题不在于机制不够，而在于这些机制大多以面向特定问题的独立算法形式存在。面对新的任务，研究者仍要从大量机制中手动选择、组合、验证，再重新调整。
AutoPSO的思路不是丢掉这些积累，而是把它们重新整理成一个可复用的组件空间。它将PSO的关键设计拆解为多个模块：
-
参数如何演化；
-
粒子向谁学习；
-
群体如何划分子群；
-
不同子群采用何种更新策略。
传统方法中，这些选择主要由人来完成；在AutoPSO中，它们变成了算法可以搜索的对象。换句话说，AutoPSO并非”手工再造一个PSO”，而是构建一个在求解当前问题之前，能够自动为其配置合适PSO变体的元框架（meta-framework）。
图1：AutoPSO将PSO的关键设计组织为可组合、可搜索的模块。
把研究者做的”外层优化”，也交给算法
传统优化研究一直带有一种双层结构。内层是在用PSO求解目标问题——函数优化、工程设计或控制策略；外层还存在着不那么显性的优化：研究者在优化算法本身。
选择什么更新规则、怎样设置参数、采用哪种学习对象、要不要引入子群机制、哪些机制可以组合、哪些组合不稳定——这些过去通常由研究者根据经验判断，再通过实验不断试错。
AutoPSO的关键转变，就是把这个原本由研究者手工完成的外层过程，也交给算法来做。一个外层粒子不再表示目标问题的一个候选解，而是表示一种候选PSO设计，编码了参数、学习对象、子群划分和更新策略。内层PSO拿着这些配置求解目标问题，并将表现反馈给外层，外层据此继续搜索更好的算法配置。
AutoPSO不仅优化问题的解，更在优化”用什么样的PSO去求解这个问题”。
它将过去依赖研究者经验的算法设计过程，转化成了一个可自动搜索、自动评估、自动迭代的系统内部演化过程。
图2：外层搜索算法配置，内层使用该配置求解目标问题。
EvoX和GPU，让自动算法设计真正可行
提出自动搜索算法结构并不难，真正的难点在于计算成本。比较一套候选PSO设计，意味着先让它完整跑完一次目标问题求解；候选方案越多，内层运算量越大。
在传统CPU串行环境下，这样的代价很高。但这类计算天然适合并行：候选算法并行评估，候选算法内部的粒子也可以批量更新。AutoPSO借助EvoX，将演化计算的种群结构映射到GPU的批处理能力上，使外层配置搜索与内层任务求解能够同时推进。
这里的GPU加速不仅是缩短一次运行的时间，更意味着单位时间内可比较的候选设计数量大幅增加。元演化本质上是在算法空间中做搜索，搜索质量直接取决于评估过多少种候选PSO设计。评估得越充分，就越可能找到适配当前问题的配置。
EvoX的价值正在于提供这种能力：它把内层的粒子更新、适应度评估，以及外层的候选算法比较，全部组织成GPU上的张量运算，使数千个候选设计可以在同一轮迭代中同步推进。换句话说，EvoX让元演化从”慢慢试”变成”大规模并行试”——这正是AutoPSO得以成立的计算基础。
不仅更快，也更会”用搜索”
AutoPSO想证明的并不是”GPU上跑得快”这么简单，而是当PSO的设计过程被自动化之后，算法能不能真正找到更适合当前问题的搜索方式。
在CEC2022数值优化基准上，EvoX团队将AutoPSO与原始PSO、CSO、CLPSO、FIPS以及社会学习PSO的不同版本进行比较。在相同运行时间预算下，很多固定结构的PSO变体前期下降较快、随后容易停滞；AutoPSO则能在运行过程中持续调整内层PSO的配置，在多个函数上保持更稳定的改进趋势。
研究团队还在相同函数评估次数下比较，AutoPSO仍表现更优，说明其优势来自更有效地组织搜索，而不只是消耗更多计算。
图3：CEC2022数值优化问题上的实验结果。
研究团队进一步将AutoPSO应用于神经演化机器人控制任务中。相比数值函数，这类任务更接近真实应用：策略参数维度高、反馈噪声大、目标函数不规则，梯度信息也并非总是可得。
在多个Brax机器人控制环境中，AutoPSO取得了更快的奖励提升和更好的最终表现。这说明它不只是为某一类函数定制的技巧，而是一种具有实际迁移潜力的自动算法构造方法。
图4：Brax机器人控制问题上的实验结果。
EvoX的价值在可扩展性实验中体现得尤为直接。AutoPSO的双层结构天然会带来更大的种群规模：外层有许多候选算法，内层每个候选算法又有自己的粒子群。若按传统串行方式，所需的计算时间将迅速变得不可承受。
但在GPU上，总种群规模扩大100倍时，运行时间只增加约3倍；在8192维测试中，AutoPSO仍能保持可接受的时间开销，并相比CPU获得数量级加速。
图5：种群规模扩展对运行时间的影响。
不浪费算力，也不浪费历史知识
AutoPSO并非以算力取代算法研究，而是把长期积累的研究成果转化为可操作的设计资产。过去散落在不同PSO变体中的有效机制，被抽象为可复用的组件；过去依赖经验完成的组合判断，被交给元演化在具体任务中验证。
历史研究提供搜索空间，自动优化负责寻找组合，EvoX与GPU提供并行评估能力。三者缺一不可：没有历史知识，搜索缺少有价值的候选；没有自动优化，知识难以针对任务重组；没有并行计算，搜索规模又难以支撑。
AutoPSO让研究者从重复的参数试错中抽身，转而投入到更有价值的工作：定义组件、设计搜索空间，以及建立更可靠的评估流程。
从改算法，到构建会产生算法的系统
AutoPSO的意义不止于得到一个更强的PSO变体。它展示出并行计算时代演化算法的一种新范式：
-
过去，我们研究”怎样设计一个更好的算法”；
-
现在，我们研究”怎样构建一个能够自动产生、筛选、改进算法的系统”。
当GPU大规模候选评估逐步成为研究的常态，演化计算的边界也一定会随之改变：并行计算的硬件不单是承载算法运行的平台，更开始参与重塑算法的设计方式。
AutoPSO×EvoX，助力演化计算从手动时代迈向自动时代。
开源代码 / 社区资源
论文：
https://arxiv.org/abs/2608.07539
GitHub：
https://github.com/EMI-Group/autopso
上游项目（EvoX）：
https://github.com/EMI-Group/evox
QQ交流群：
297969717
EvoX QQ社区群二维码。